Dans le cadre du projet DESIREE, nous avons développé trois modules d’aide à la décision clinique afin de proposer une aide à la décision fondée sur les GBP, une aide à la décision fondée sur l’expérience et une aide à la décision fondée sur la mise en œuvre d’un raisonnement à partir de cas. Les GBP sélectionnées sont les GBP américains (NCCN), ceux de l’Assistance Publique – Hôpitaux de Paris, et des GBP espagnols élaborés par le centre de soins Onkologikoa, partenaire du projet.
Les développements ont été réalisés en utilisant les outils du web sémantique.
Nous avons construit une ontologie du domaine utilisée comme structure conceptuelle et terminologique afin de proposer un modèle de données (EAV) et un modèle de connaissances, utilisée pour le raisonnement et l’aide à la décision. Le BCKM joue ainsi un rôle pivot dans la gestion des données et des connaissances.
D’autres travaux visent également à combiner modèles d’information et ontologies (Ethier et al., 2015 ; Martínez-Costa et Schulz, 2017). Le BCKM permet d’assurer la conformité au modèle de la représentation des données patient et de l’écriture des règles de décision des bases de connaissances, que celles-ci viennent de la formalisation des GBP pour le SADC-G, ou aient été apprises par l’expérience avec le SADC-E. Les transformations des données et des règles de décision en notation N3 permettent l’utilisation d’un moteur d’inférence sémantique, Euler/EYE, combinant raisonnement ontologique et par règles. Cette approche permet notamment des raisonnements autorisant des recommandations de prise en charge thérapeutique des patients à niveaux d’abstraction variables, patients dont les profils cliniques peuvent également être décrits à des niveaux d’abstraction variables. Par ailleurs, le BCKM est aussi utilisé pour la recherche de patients similaires par le SADC-RC, la distance entre attributs catégoriels étant calculée comme un degré de proximité taxonomique.
Le DESIMS dans lequel sont entrées et stockées les données a été conçu préalablement au BCKM avec un modèle d’information différent de celui adopté dans le BCKM et un référentiel terminologique également différent, illustrant le problème, récurrent dans le domaine biomédical, de l’interopérabilité syntaxique et
sémantique. Si l’utilisation du standard FHIR a permis de simplifier la résolution des aspects syntaxiques de l’interopérabilité, les aspects sémantiques ont nécessité de procéder manuellement à des alignements entre les termes du référentiel du DESIMS et les concepts du BCKM. Ce constat plaide une fois encore en faveur du partage de référentiels termino-ontologiques, mais également de modèles d’informations cliniques (Becnel et al., 2017), éventuellement dédiés à un domaine particulier comme le cancer (Hochheiser et al., 2016).
La conception du BCKM s’est faite dans le cadre du développement d’un prototype de recherche avec la contrainte forte de représenter des données réelles issues d’un dossier s’appuyant sur un modèle relationnel (le DESIMS). Nous avons choisi d’utiliser le modèle de données EAV, qui est simple mais générique. Par ailleurs, nous avons choisi d’expliciter chaque élément du modèle EAV sous forme de classes et de pas exploiter les possibilité d’OWL où typiquement les attributs auraient pu être représentés par des DataProperties pour les types primitifs et des ObjectProperties pour les types hiérarchiques. Ceci permet de rendre générique la relation hasRange entre une classe ModelAttribute et une classe ModelValue et de la traiter uniformément quel que soit le type de valeur. Cette particularité est exploitée par exemple lors de la construction automatique de formulaires de saisie basés sur le modèle ontologique (Sadki et al., 2018). Par ailleurs, cette représentation par classes permet d’importer des concepts/classes d’autres ontologies et de leur donner dans le BCKM le rôle que l’on souhaite : entité, attribut ou valeur. Ainsi, nous avons importé dans le BCKM de nombreux concepts et hiérarchies du NCI thesaurus avec l’outil Flat OWL Editor. On notera que dans ce cas, le lien entre le NCI thesaurus et ses classes « clonées » n’est pas conservé dynamiquement comme cela peut être le cas avec un outil comme OntoFox (Xiang et al., 2010) ; il l’est cependant de manière statique puisque le NCI_CODE est conservé en annotation. Toutefois, la conservation dynamique du lien d’importation n’a pas été recherchée d’une part parce que la structuration du NCI thésaurus n’était pas en l’état satisfaisante du point de vue de notre application (l’organisation de certaines hiérarchies a dû être revu manuellement), et d’autre part, le codage des données existantes pour une certaine version du BCKM et de ses concepts pourrait ne pas résister aux évolutions du BCKM dont les évolutions doivent être contrôlées. Dans l’état actuel, la qualité de l’ontologie est satisfaisante dans le sens où elle permet la représentation des informations utiles pour les prises de décision, qu’elles proviennent des données ou des GBP, et la production automatique de recommandations. Cette satisfaction est obtenue au travers des étapes de validation technique et clinique du système.
Le SADC-G produit les recommandations telles qu’elles sont exprimées dans les GBP. Des études ont décrit des incohérences intra-GBP qu’il s’agit de gérer. Par ailleurs, en proposant les recommandations issues de trois GBP différents, on s’expose à une incohérence inter-GBP. Des solutions de réconciliations ont été développées au sein des règles de décision (complement et refine). Il faudra améliorer la proposition des recommandations par un post traitement permettant la résolution des conflits tout en bénéficiant de la complémentarité des GBP. Le SADC-E est actuellement développé pour servir la construction des règles apprises par l’expérience. La mise en œuvre de questionnaires patients permettant d’évaluer
la qualité clinique des règles apprises (calcul du poids de la preuve) doit être organisée. Enfin, le SDC-RC utilise une mesure globale de la similarité entre les cas basée sur une moyenne arithmétique des similarités locales. Les critères n’ayant pas le même poids pour établir la similarité sur le plan médical, il est prévu d’apprendre les poids des critères lorsque le peuplement de la base de cas sera suffisant.
La plateforme DESIREE a fait l’objet d’une évaluation sur cas simulés par un échantillon de huit cliniciens. Les services offerts ont reçu un bon accueil mais des améliorations ont été demandées. Elles sont actuellement en cours de développement. L’évaluation sur vrais patients mais sur RCP simulées est prévue à partir de février 2019, et l’évaluation en vraie grandeur sera organisée sur quatre sites (Onkologikoa à San Sébastien en Espagne, ERESA à Valence en Espagne, l’hôpital Saint-Louis et l’hôpital européen Georges Pompidou de l’Assistance Publique – Hôpitaux de Paris) à compter du mois d’avril 2019.
Remerciements
Les auteurs remercient l’ensemble des partenaires du projet DESIREE.
Bibliographie
Abidi S.R., Abidi S.S., Hussain S., Shepherd M. (2007). Ontology-based modeling of clinical practice guidelines: a clinical decision support system for breast cancer follow-up interventions at primary care settings. Stud Health Technol Inform, vol 129(Pt 2), p. 845–
849.
AP-HP. (2016). Référentiel cancer du sein, mars 2016. Référentiels de l’AP-HP.
https://www.aphp.fr/sites/default/files/referentiel_cancers_du_sein_-_juin_2016_1.pdf Becnel L.B., Hastak S., Ver Hoef W., Milius R.P., Slack M., Wold D., et al. (2017). BRIDG:
a domain information model for translational and clinical protocol-driven research. J Am Med Inform Assoc, vol 24, n° 5, p. 882–890.
Berners-Lee T., Connolly D., Kagal L., Scharf Y., Hendler J. (2008). N3Logic: A logical framework for the World Wide Web. Theory and Practice of Logic Programming, vol 8, n° 3, p. 249–269.
Boscá D., Maldonado J.A., Moner D., Robles M. (2015). Automatic generation of computable implementation guides from clinical information models. J Biomed Inform, vol 55, p.
143–152.
Bouaud J., Guézennec G., Séroussi B. (2018). Combining the Generic Entity-Attribute-Value Model and Terminological Models into a Common Ontology to Enable Data Integration and Decision Support. Stud Health Technol Inform, vol 247, p. 541–545.
Brar S.S., Hong N.L., Wright F.C. (2014). Multidisciplinary cancer care: Does it improve outcomes? J Surg Oncol, vol 110, n° 5, p. 494–499.
Despres S., Guézennec G. (2017). Flat OWL Editor : un outil utilisant des feuilles de calcul pour découpler les tâches des acteurs impliqués dans la gestion d’une ontologie.
Terminologie & Ontologie: Théories et Applications, Actes de la conference TOTh 2017, Jun 2017, Chambéry, France. Université Savoie Mont Blanc, p. 181-194.
Ethier J.F., Curcin V., Barton A., McGilchrist M.M., Bastiaens H., Andreasson A., et al.
(2015). Clinical data integration model. Core interoperability ontology for research using primary care data. Methods Inf Med, vol 54, n° 1, p. 16–23.
Elsamany S., Abdullah S. (2014). Triple-negative breast cancer: future prospects in diagnosis and management. Med Oncol, vol 31, n° 2, 834.
Eccher C., Seyfang A., Ferro A. (2014). Implementation and evaluation of an Asbru-based decision support system for adjuvant treatment in breast cancer. Comput Methods Programs Biomed, vol 117, n° 2, p. 308–21.
Giguère A., Légaré F., Grimshaw J., Turcotte S., Fiander M., Grudniewicz A., et al. (2012).
Printed educational materials: effects on professional practice and healthcare outcomes.
Cochrane Database Syst Rev 2012;10:CD004398.
Hébert-Croteau N., Brisson J., Latreille J., Rivard M., Abdelaziz N., Martin G. (2004).
Compliance with consensus recommendations for systemic therapy is associated with improved survival of women with node-negative breast cancer. J Clin Oncol, vol 22, n°
18, p. 3685–3693.
HL7.org. (2015). HL7 standard: Clinical decision support knowledge artifact specification, release 1.3. http://www.hl7.org/implement/standards/product_brief.cfm?product_id=337 HL7.org. (2017). FHIR Release 3 (STU; v3.0.1-11917), http://hl7.org/fhir/STU3/.
Hochheiser H., Castine M., Harris D., Savova G., Jacobson R.S. (2016). An information model for computable cancer phenotypes. BMC Med Inform Decis Mak, vol 16 n° 1, p.
121.
Jaspers M.W., Smeulers M., Vermeulen H., Peute L.W. (2011). Effects of clinical decision-support systems on practitioner performance and patient outcomes: a synthesis of high-quality systematic review findings. J Am Med Inform Assoc, vol 18, n° 3, p. 327–334.
Johnson C.E., Slavova-Azmanova N., Saunders C. (2017). Development of a peer review framework for cancer multidisciplinary meetings. Intern Med J, vol 47, n° 5, p. 529–535.
Keating N.L., Landrum M.B., Lamont E.B., Bozeman S.R., Shulman L.N., McNeil B.J.
(2013). Tumor boards and the quality of cancer care. J Natl Cancer Inst, vol 105, n° 2, p.
113–21.
Kesson E.M., Allardice G.M., George W.D., Burns H.J., Morrison D.S. (2012). Effects of multidisciplinary team working on breast cancer survival: retrospective, comparative, interventional cohort study of 13 722 women. BMJ, vol 344, e2718.
Khan O., Lim Choi Keung S.N., Zhao L., Arvanitis T.N. (2014). A Hybrid EAV-Relational Model for Consistent and Scalable Capture of Clinical Research Data. Stud Health Technol Inform, vol 202, p. 32–35.
Lamy J.B., Berthelot H., Capron C., Favre M. (2017). Rainbow boxes: a new technique for overlapping set visualization and two applications in the biomedical domain, Journal of Visual Language and Computing, vol. 43, p. 71–82.
Lamy J.B., Sekar B., Guézennec G., Bouaud J, Séroussi B. (2019). Explainable artificial intelligence for breast cancer: a visual case-based reasoning approach. Artif Intell Med, vol 94, March 2019, p. 42-53.
Lebeau M., Mathoulin-Pélissier S., Bellera C., Tunon-de Lara C., Daban A., Lipinski F., et al.
(2011). Breast cancer care compared with clinical guidelines: an observational study in France. BMC Public Health, vol 11, 45.
Lee W.S., Ahn S.M., Chung J.W., Kim K.O., Kwon K.A., Kim Y., et al. (2018). Assessing Concordance With Watson for Oncology, a Cognitive Computing Decision Support System for Colon Cancer Treatment in Korea. JCO Clin Cancer Inform, vol 2, p. 1-8.
Löper D., Klettke M., Bruder I., Heuer A. (2013). Enabling flexible integration of healthcare information using the entity-attribute-value storage model. Health Inf Sci Syst, vol 1, 9.
Martínez-Costa C., Schulz S. (2017). Validating EHR clinical models using ontology patterns.
J Biomed Inform, vol 76, p. 124-137.
Minsky M. (1975). A framework for representing knowledge. The Psychology of Computer Vision. Ed. Patrick Winston, Mc Graw Hill.
Muro N., Larburu N., Bouaud J., Seroussi B. (2017). Weighting Experience-Based Decision Support on the Basis of Clinical Outcomes' Assessment. Stud Health Technol Inform, vol 244, p. 33–37.
Nadkarni P.M., Marenco L., Chen R., Skoufos E., Shepherd G., Miller P. (1999).
Organization of Heterogeneous Scientific Data Using the EAV/CR Representation. J Am Med Inform Assoc, vol 6, n° 6, p. 478–493.
Nentwich C., James R. (2010). Natural rule language (NRL) specification 1.4.0.
http://nrl.sourceforge.net/spec/
NCCN.org. (2017). Breast Cancer. Version 3.2017. NCCN Clinical Practice Guidelines in Oncology (NCCN Guidelines®).
Patkar V., Acosta D., Davidson T., Jones A., Fox J., Keshtgar M. (2011). Cancer multidisciplinary team meetings: evidence, challenges, and the role of clinical decision support technology. Int J Breast Cancer, vol 2011, 831605.
Patkar V, Acosta D, Davidson T, Jones A, Fox J, Keshtgar M. (2012). Using computerised decision support to improve compliance of cancer multidisciplinary meetings with evidence-based guidance. BMJ Open, vol 2, n° 3, e000439.
Peleg M. (2013). Computer-interpretable clinical guidelines: a methodological review. J Biomed Inform, vol 46, n° 4, p. 744–763.
Rani P., Vashishtha J. (2017). An appraise of KNN to the perfection. International Journal of Computer Applications, vol 170, n° 2, p. 13–17.
Roshanov P.S., Misra S., Gerstein H.C., Garg A.X., Sebaldt RJ, Mackay JA, et al. (2011).
Computerized clinical decision support systems for chronic disease management: a decision-maker-researcher partnership systematic review. Implement Sci, vol 6, 92.
Sadki F., Bouaud J., Guézennec G., Séroussi B. (2018). Semantically structured web form and data storage: a generic ontology-driven approach applied to breast cancer. Stud Health Technol Inform, vol 255, p. 205–209.
Sackett D.L., Rosenberg W.M., Gray J.A., Haynes R.B., Richardson W.S. (1996). Evidence based medicine: what it is and what it isn't. BMJ, vol 312, n° 7023, p. 71–72.
Schank R.C., Abelson R.P. (1977). Scripts, plans, goals and understanding: an inquiry into human knowledge structures. L. Erlbaum, Hillsdale, NJ.
Schwentner L., Wolters R., Koretz K., Wischnewsky M.B., Kreienberg R., Rottscholl R., et al. (2012). Triple-negative breast cancer: the impact of guideline-adherent adjuvant treatment on survival–a retrospective multi-centre cohort study. Breast Cancer Res Treat, vol 132, n° 3, p. 1073–1080.
Sekar B.D., Lamy J.B., Larburu N., Séroussi B., Guézennec G., Bouaud J., Muro N., Wang H., Liu J. (2018). Case-Based Decision Support System for Breast Cancer Management.
International Journal of Computational Intelligence Systems, Vol. 12 (2018) 28-38.
Séroussi B., Bouaud J., Antoine EC. (2001). OncoDoc: a successful experiment of computer-supported guideline development and implementation in the treatment of breast cancer.
Artif Intell Med, vol 22, n° 1, p. 43–64.
Séroussi B., Laouénan C., Gligorov J., Uzan S., Mentré F., Bouaud J. (2013). Which breast cancer decisions remain non-compliant with guidelines despite the use of computerized decision support? Br J Cancer, vol 109, n° 5, p. 1147–1156.
Séroussi B., Guézennec G., Lamy J.B., Muro N., Larburu N., Sekar B., et al. (2017).
Reconciliation of multiple guidelines for decision support: a case study on the multidisciplinary management of breast cancer within the DESIREE project. AMIA Annu Symp Proc 2017, p. 1527–1536.
Séroussi B., Lamy J.B., Muro N., Larburu N., Sekar B.D., Guézennec G., Bouaud J. (2018).
Implementing Guideline-Based, Experience-Based, and Case-Based Approaches to Enrich Decision Support for the Management of Breast Cancer Patients in the DESIREE Project. Stud Health Technol Inform, vol 255, p. 190–194.
Shahar Y., Miksch S., Johnson P. (1998). The Asgaard project: a task-specific framework for the application and critiquing of time-oriented clinical guidelines. Artif Intell Med, vol 14 n° 1-2, p. 29–51.
Shiffman R.N., Michel G., Essaihi A., Thornquist E. (2004). Bridging the guideline implementation gap: a systematic, document-centered approach to guideline implementation. J Am Med Inform Assoc, vol 11, n° 5, p. 418–426.
Simon G., DiNardo C.D., Takahashi K., Cascone T., Powers C., Stevens R., et al. (2018).
Applying Artificial Intelligence to Address the Knowledge Gaps in Cancer Care.
Oncologist. pii: theoncologist.2018-0257.
van Hoeve J., de Munck L., Otter R., de Vries J., Siesling S. (2014). Quality improvement by implementing an integrated oncological care pathway for breast cancer patients. Breast, vol 23, n° 4, p. 364–370.
Verborgh R., De Roo J. (2015). Drawing conclusions from linked data on the web: The EYE reasoner. IEEE Software, vol 32, n° 3, p. 23–27.
Witten I. H., Frank E., Trigg L., Hall M., Holmes G., Cunningham S. J. (1999). Weka:
Practical Machine Learning Tools and Techniques with Java Implementations, Proceedings of the ICONIP/ANZIIS/ANNES'99 Workshop on Emerging Knowledge Engineering and Connectionist-Based Information Systems, p. 192–196.
Wöckel A., Kurzeder C., Geyer V., Novasphenny I., Wolters R., Wischnewsky M., et al.
(2010). Effects of guideline adherence in primary breast cancer–a 5-year multi-center cohort study of 3976 patients. Breast, vol 19, n° 2, p. 120–127.
Xiang Z., Courtot M., Brinkman, R.R., Ruttenberg A., He Y. (2010). OntoFox: web-based support for ontology reuse. BMC research notes, vol 3, n°175.
Brigitte Séroussi est titulaire d’un diplôme d’ingénieur de l’école Centrale Paris, d’un doctorat en médecine de l’Université Paris 5 (France) et d’un doctorat de Biomathématiques de l’Université Paris 7 (France). Elle est actuellement Professeur des Universités à Sorbonne Université (Paris, France) et Praticien Hospitalier à l'Assistance Publique - Hôpitaux de Paris (Hôpital Tenon) en charge de l’évaluation des pratiques et de la qualité des soins. Elle est membre du LIMICS (Sorbonne Université, Paris 13, INSERM). Ses travaux de recherche sont centrés sur la modélisation, le développement, la mise en œuvre et l'évaluation des systèmes d'aide à la décision clinique basés sur les guides de pratique clinique. Elle a coordonné et participé à de nombreux projets nationaux et internationaux (dont européens).
Jean-Baptiste Lamy est docteur en pharmacie et en santé publique, et enseignant-chercheur en informatique à l'Université Paris 13 (Bobigny, France) et au laboratoire LIMICS (Paris, France). Ses recherches portent sur l'aide à la décision, la représentation des connaissances, les ontologies et la visualisation des connaissances, avec un domaine d'application médical. Il conçoit notamment des systèmes visuels pour aider à la décision thérapeutique, ainsi que des langages iconiques pour la médecine.
Coralie Prebet est médecin, assistante en Oncologie Médicale à l’Hôpital Tenon, Assistance Publique - Hôpitaux de Paris (Paris, France) et Sorbonne Université (Paris, France), spécialisée dans la prise en charge du cancer du sein et des cancers urologiques. Elle a participé au projet DESIREE H2020 en contribuant à l’implémentation des recommandations de bonne pratique internationales sur la prise en charge du cancer du sein. Ses domaines d’intérêts portent notamment sur l’amélioration de la prise en charge des patients atteints de cancer en facilitant l’accès et l’utilisation des données actualisée de la science par les praticiens.
Charlotte Ngo est Maître de Conférences des Universités et Praticien Hospitalier en chirurgie cancérologique gynécologique et mammaire à l'Hôpital Européen Georges Pompidou au sein de l’Assistance Publique – Hôpitaux de Paris (Paris, France). Depuis plus de 10 ans, son activité clinique est centrée sur la prise en charge des cancers féminins et plus particulièrement du cancer du sein. Ses projets de recherche explorent les champs de l'innovation chirurgicale et de la réduction des inégalités sociales de santé. Elle enseigne également la cancérologie à l'Université Paris-Descartes, Université de Paris (France).
Luis Teixeira est Maître de Conférences des Universités et Praticien Hospitalier en Oncologie Médicale à l’Université de Paris (France). Il exerce au Sénopôle Saint Louis Territoire Cancer Nord de l’Hôpital Saint Louis à Paris (France), centre expert et premier centre en sénologie pour l’Assistance Publique – Hôpitaux de Paris. Il est affilié à l’Equipe 6
"Physiopathologie des cancers du sein", INSERM U976. Il a effectué ses études médicales à l’Université Pierre et Marie Curie à Paris. Il a une formation initiale en Médecine Interne, puis en Cancérologie. Ses principaux centres d’intérêts portent sur la recherche translationnelle et la recherche clinique dans le cancer du sein.
Amaia Ugarriza est diplômé en informatique. Elle a été responsable de nombreux projets au cours des douze dernières années dans l'unité de Recherche et Développement de l’entreprise espagnole Bilbomática. Ses travaux de recherche portent sur les ontologies, les standards FHIR-HL7 et l'expérience utilisateur UX, en particulier dans le domaine des traitements multidisciplinaires et de la gestion de l'information clinique hétérogène dans le milieu
hospitalier. Ses recherches ont été appliquées à la prise en charge de la maladie d'Alzheimer, du cancer du sein, de la cardiologie et du déclin cognitif.
Booma Devi Sekar est titulaire d'un doctorat de l'Université de Macao (Macao) et travaille actuellement comme chercheur associé à la School of Computing de l'Université d'Ulster (Royaume-Uni). Ses sujets de recherche portent sur l'analyse des données, l'apprentissage automatique, les méthodes d'intelligence artificielle, le traitement du signal et la théorie de l'information, ainsi que sur la recherche appliquée dans les domaines des machines électriques, des télécommunications, et des soins de santé.
Nekane Larburu est titulaire d'un Master en Ingénierie des Télécommunications de l’Université de Navarre (Espagne). Elle s'est fortement impliquée dans le projet européen Mobiguide qui visait à élaborer un système d'aide à la décision personnalisée "mobile".
Actuellement, ses activités de recherche se concentrent sur l'application des techniques d’ingénierie des connaissances pour l’élaboration de systèmes personnalisés dans le domaine de la santé au sein du Département des Applications Biomédicales pour la eSanté du Centre de Recherche Vicomtech (Espagne).
Naiara Muro Amuchastegui est chercheur au sein du Département des Applications Biomédicales pour la eSanté du Centre de Recherche Vicomtech (Espagne) depuis 2014. Elle est titulaire d'un diplôme d'ingénieur biomédical de l'Université de Navarre (Espagne) et d'une maîtrise en génie informatique et systèmes intelligents de l'Université du Pays Basque (Espagne). Elle est affiliée au groupe eHealth du Département de bio-ingénierie de l'Institut de recherche biosanitaire Biodonosti. Ses travaux de recherche portent sur l'extraction et l'application de nouvelles connaissances dans les systèmes d'aide à la décision médicale.
Gilles Guezennec a longtemps exercé en tant qu'ingénieur logiciel dans les domaines de l'informatique éditoriale et du traitement de données. Il a rejoint le LIMICS en 2013 comme Ingénieur de Recherche où ses travaux se sont spécialisés dans la mise en œuvre des techniques du Web Sémantique et des Ontologies dans différents projets de recherche français
Gilles Guezennec a longtemps exercé en tant qu'ingénieur logiciel dans les domaines de l'informatique éditoriale et du traitement de données. Il a rejoint le LIMICS en 2013 comme Ingénieur de Recherche où ses travaux se sont spécialisés dans la mise en œuvre des techniques du Web Sémantique et des Ontologies dans différents projets de recherche français